AI 艺术资源清单：课程、工具、社区与数据集

AI 艺术的资源多到容易失控：教程、模型、Discord 群、论文、作品集混在一起，收藏了几百条，真正用上的没几个。更有效的做法是按用途分类，每一类只留两三个入口，用完再换。

下面按“学习—工具—社区—档案”四类整理，并给出一条四周路线。资源会变化，链接失效很正常，重要的是保留自己的笔记和作品记录。

一、学习：先建立概念，再动手

开放教材与课程

ml4a 是最值得先读的入口之一，把机器学习概念与艺术实践放在一起讲，适合没有数学背景的创作者。读的时候不必逐章啃完，先看与你当前项目相关的章节，再回头补基础。

机构与跨学科项目

UCLA Art|Sci 展示艺术家与科学家如何合作，适合理解“研究型创作”的工作方式。School of Machines 的项目偏向短期密集实践，适合看课程结构如何把技术学习与作品产出结合。

课程怎么选

看四点：有没有明确的作品产出、有没有技术背景要求、讲师是否公开自己的实践、课程材料是否可留存。只有录屏、没有作业和反馈的课，通常只能算科普。

二、工具：按工作流位置选

不要按“最强模型”选工具，按它在流程里的位置选：

构思与草图：快速文生图，用来试构图和气氛，不追求成品。
控制与修改：图生图、局部重绘、姿态或深度参考，用来固定构图。
放大与修复：放大、去噪、补细节，用来准备输出尺寸。
视频与动态：短片段生成、帧插值，用来做动态草图或展览素材。
批处理与工作流：把多个步骤串起来，追求可复现，而不是单张效果。

每类只保留一个主力工具，其余作为备选。工具更新很快，把时间花在流程上，比追版本更划算。

三、社区：找反馈，不是找赞

社区的价值在于具体反馈，而不是流量。可以先从三个方向找：

作品导向的社区：看别人如何写作品说明、如何记录过程。
技术导向的论坛：解决具体问题，比如批量处理、色彩管理、工作流报错。
本地或线上 crit：定期拿作品给别人看，要求对方指出一个问题，而不是只说喜欢。

AIArtists 汇集了创作者访谈、资源与伦理讨论，适合了解别人如何描述 AI 在作品中的位置。Creative Applications 更偏项目报道，能看到完成度较高的作品如何组织技术与叙事。

四、档案：看历史，避免重复发明

AI 艺术不是从聊天机器人开始的。早期网络艺术、生成艺术、控制论艺术都在处理“作者性”和“系统”的问题。Rhizome 的网络艺术档案适合补这段前史，DAM Digital Art Museum 则提供了数字艺术收藏与展示的机构视角。

看档案时问三个问题：这件作品当年依赖什么技术？现在还能不能运行？它提出的问题今天是否仍然成立？

数据集与素材：先看许可

练习可以用公开数据集和开放素材，但要注意：

数据集是否有明确的使用许可，是否允许商用。
是否包含真人肖像、私人信息或敏感内容。
训练与展示是两种用途，许可可能不同。
记录数据来源，方便日后引用或撤除。

用馆藏素材练习时，先看对象页的权利说明。Google Arts & Culture Lab 的实验项目展示了机构如何用收藏做互动体验，可以观察它们如何处理素材与署名。

四周自学路线

第一周：概念与观察

读 ml4a 的两章入门内容，做一页笔记。
每天看三个 AI 艺术项目，记录它解决的问题，而不是风格。
周末写三百字：你想做什么，为什么。

第二周：基础流程

固定一个主题，每天生成十张变体，只改一个变量。
学会保存提示词、种子、模型版本。
选一张修到可交付，记录修改步骤。

第三周：系列与叙事

做一个六到十张的小系列，统一视角或色板。
写作品说明，包括方法、工具和你的判断。
找一个人做 crit，只问“哪里不清楚”。

第四周：输出与整理

排版成网页或 PDF，检查小尺寸和打印效果。
整理资源清单，删掉两周没打开过的链接。
复盘：哪些步骤有效，哪些只是安慰性劳动。

筛选标准：什么资源值得留下

有具体方法，不只是展示结果。
有作者署名和日期，能判断时效。
有失败与限制的说明，而不是只讲成功。
能指向一手材料：论文、作品页、机构档案。
对你的当前项目有用，而不是“看起来很厉害”。

按这五条，你的清单会短很多，但使用率会高很多。

更多学习类内容可以按学习分类浏览。